Loading
Les règles aléatoires sont faciles. Trouver celles qui restent structurées et mobiles exige une définition de l'intéressant — et en révèle les limites.
Lancer la simulation
0606 / 09Appuyer sur Discover ne demande pas à Particle Life d'être créatif. La fonction choisit, parmi douze matrices aléatoires, celle qui satisfait le mieux trois mesures définies à l'avance.
Générer du hasard est facile. La recherche commence lorsque des candidats sont évalués et rejetés.
Tous les candidats de cette recherche partagent la même ouverture
Ces valeurs viennent du DiscoverySearch livré : 12 matrices asymétriques, 400 particules, 8 secondes simulées, une graine d’évaluation commune par recherche et les 60 derniers pas mesurés.
Discover crée douze matrices 5×5 dans [-1, 1], arrondies à deux décimales. Au moins trois paires hors diagonale sont forcées à être fortement asymétriques : un sens entre +0.5 et +1, l'autre entre -1 et -0.5.
C'est un biais assumé vers la poursuite. Il rend le résultat utile rapidement mais limite l'espace exploré.
Chaque candidat reçoit 400 particules, huit secondes simulées, un monde 1100×760 et la même graine. Cela isole la matrice, sans prouver sa robustesse sur d'autres graines.
score = amas × 2 + diversité du mouvement − pénalité de vitesseLa pénalité vaut 1 000 points sous 3 ou au-dessus de 80 px/s.
Discover récompense les amas et la diversité des vitesses, puis retire 1 000 points hors de la plage 3–80 px/s.
Le score récompense structure et coexistence de vitesses. Il ne mesure ni nouveauté, ni persistance longue, ni reproduction.
Les 5 760 étapes sont exécutées en petites tranches. tick() avance jusqu'à épuiser son budget puis rend la main au navigateur. Un test exige qu'une exécution découpée donne exactement le même gagnant qu'une exécution continue.
Le gagnant devient Custom, la matrice se transforme sur dix images et peut être sauvegardée ou partagée.
Jeffrey Ventrella présente Clusters comme un système asymétrique et documente Particle Life comme une variation simplifiée commencée par Tom Mohr en 2018.
En 2024, Kumar et ses collaborateurs ont publié Automated Search for Artificial Life, ou ASAL, qui utilise des modèles vision-langage pour chercher cibles, nouveauté ouverte et diversité dans plusieurs substrats.
Discover appartient au même problème général, mais n'est pas ASAL. Il utilise des métriques manuelles, douze matrices et un gagnant local dans un seul substrat.
Tout moteur de recherche reflète son évaluateur. Récompenser les amas trouve des amas. Pénaliser l'immobilité exclut les structures calmes, profondes ou banales.
Une version plus forte testerait plusieurs graines, la persistance, la nouveauté face aux découvertes sauvegardées et un front de Pareto plutôt qu'un score unique.
Essayez Discover dans la simulation, sauvegardez deux gagnants et demandez quelle métrique a probablement permis à chacun de survivre.
Plus à lire
Un beau motif est une invitation à chercher, pas un résultat. Le projet avait besoin de mesures capables de contredire mes yeux.
L'interface doit inviter au jeu sans masquer la causalité, montrer les preuves sans devenir un mur de tableaux et fonctionner sur mobile.
Le rendu n'est pas décoratif. Il rend lisibles distance, mouvement, relations et défaillances sans modifier la physique.